Day11 학습정리

강의 복습

1. Object Detection Overview

• Previous Method

Sliding Window	Selective Search

• Object Detection in Deep Learning
  
  • 2 stages
  • 1 stages

2. 2 Stage Models

• RCNN
  • Pipeline
    1. Selective Search를 통해 약 2000개의 RoI(Region of Interest)를 추출
    2. RoI의 크기를 조절해 모두 동일한 사이즈 로 변형
    3. RoI 를 CNN에 넣어, feature 를 추출
    4. 1) CNN을 통해 나온 feature를 SVM에 넣어, 분류 진행
       2) CNN을 통해 나온 feature를 regression을 통해 bounding box 를 예측
  • Shortcomings
    1. 2000개의 RoI 각각 CNN 통과
    2. 강제 Warping, 성능 손실 가능성
    3. CNN, SVM classifier, bounding box regression, 따로 학습
    4. End to End X

• SPPNet
  • Spatial Pyramid Pooling
  • Shortcomings
    1. 2000개의 RoI 각각 CNN 통과
    2. 강제 Warping, 성능 손실 가능성
    3. CNN, SVM classifier, bounding box regression, 따로 학습
    4. End to End X

• Fast RCNN
  • Pipeline
    1. 이미지를 CNN에 넣어 feature 추출 (CNN을 한 번만 사용)
    2. RoI Projection을 통해 feature map 상에서 RoI를 계산
    3. RoI Pooling을 통해 일정한 크기의 feature가 추출
    4. Fully connected layer 이후, Softmax Classification과 Bouding Box Regression
  • Shortcomings
    1. 2000개의 RoI 각각 CNN 통과
    2. 강제 Warping, 성능 손실 가능성
    3. CNN, SVM classifier, bounding box regression, 따로 학습
    4. End to End X

• Faster RCNN
  • NMS
    • 유사한 RPN Proposals 제거를 위해 사용
    • Class score를 기준으로 proposals 분류, IoU가 0.7 이상인 proposals regions는 중복된 영역으로 판단한 뒤 제거

3. 1 Stage Models

• Yolo
  • Strength
    • Faster R-CNN에 비해 6배 빠른 속도
  • Shortcomings
    • 그리드별로 Bounding box prediction 진행, 그리드보다 작은 크기의 물체 검출 불가능
    • 신경망을 통과하며 마지막 피처만 사용, 정확도 낮음

 

---

프로젝트

오늘 Object Detection 대회가 시작되었다. 베이스라인 코드를 그대로 돌려서 제출해봤더니 mAP가 0.35정도 나왔다. 

베이스라인 코드를 살펴보니까 seed 고정이 안 되어있는 것도 있고 validation 과정이 없는 것도 있어서 손을 봐야 할 것 같다.

앞으로 우리 팀은 notion을 사용해서 실험결과를 공유하기로 했다. 오늘 notion을 처음 써봤는데 다양한 기능들이 많아서 실험결과를 편하게 정리할 수 있을 것 같다.